Worin unterscheidet sich die Programmierparadigmen einer Anwendung in Machine Learning von einer „normalen Anwendungen”?
Normale Anwendungen nutzen Daten und Regeln um Antworten zu Liefern.
Maschine Learning hingegen nutzt Daten und Antworten um Regeln zu bekommen.
Beschreiben Sie kurz, welche zusätzliche Information(en) die Daten brauchen, damit ein überwachtes Lernen realisiert werden kann?
Für das überwachte Lernen benötigt ein Algorithmus zusätzliche Information(en) in Form von gelabelten Trainingsdaten. Diese gelabelten Daten bestehen aus Eingabe-Output-Paaren, wobei die Eingabe (Merkmale) mit den zugehörigen Zielwerten (Labels oder Klassen) verknüpft sind.
Eingabedaten (Merkmale): Dies sind die Datenpunkte, die als Input für den Lernalgorithmus dienen. Sie enthalten die Informationen oder Merkmale, die es dem Algorithmus ermöglichen sollen, Muster oder Zusammenhänge in den Daten zu erkennen.
Zielwerte (Labels oder Klassen): Dies sind die zugehörigen Ausgabewerte, die den gewünschten oder richtigen Ausgang für jede Eingabe darstellen. Für jedes Eingabe-Output-Paar wird ein entsprechendes Label bereitgestellt, das angibt, zu welcher Klasse oder Kategorie die Eingabe gehört oder welchen Wert sie haben sollte.
Erklären Sie kurz das Prinzip des Reinforcement Learnings? Wird hier das Lernen überwacht?
Das Prinzip des Reinforcement Learnings basiert auf einem interaktiven Lernansatz, bei dem ein Agent in einer Umgebung agiert und versucht, durch Ausprobieren und Interaktion mit der Umgebung eine optimale Strategie zu erlernen, um bestimmte Ziele zu erreichen.
Das Reinforcement Learning wird nicht überwacht, da es sich um eine Form des unüberwachten Lernens handelt.
Woher hat Deep Learning seinen Namen?
Aufgrund der höheren Anzahl versteckter Schichten im Vergleich zu normalen neuronalen Netzen spricht man von Deep Learning.
Beschreiben Sie das unterschiedliche Vorgehen bei der Lösungsfindung von Fragestellungen mit CNNs im Vergleich zur Lösungsfindung mit Verfahren der analytischen Computer Vision?
CNNs: In der CNN-basierten Computer Vision werden die Merkmale (Features) automatisch aus den Daten gelernt. Das Netzwerk besteht aus mehreren Schichten, die hierarchische Merkmale aus den Rohdaten extrahieren und lernen, relevante Informationen für die Aufgabe zu erfassen. Die Merkmale werden durch das Lernen der Gewichtungen während des Trainingsprozesses optimiert.
Analytische Computer Vision: In der analytischen Computer Vision werden Merkmale manuell entworfen und aus den Daten extrahiert. Diese Handcrafted Features basieren auf spezifischem Fachwissen und menschlicher Expertise, um visuelle Merkmale zu identifizieren, die für die spezifische Aufgabe von Interesse sind.
Welche Aufgaben/Anwendungen lassen sich besser mit CNNs als mit Verfahren der analytischen Computer Vision realisieren? Nennen Sie Beispiele und begründen Sie diese.
Convolutional Neural Networks (CNNs) sind besonders gut für Aufgaben und Anwendungen geeignet, die komplexe visuelle Muster und Merkmale in großen Datenmengen enthalten.
Beispiele:
Bilderkennung von Objekte, Personen, Tiere, Fahrzeuge
Objektverfolgung
Medizinische Bildbegehung:
CNNs sind besonders gut für diese Aufgaben, weil sie die Fähigkeit haben, hierarchische und komplexe Merkmale aus den Daten zu erlernen. Die Schichten des CNNs ermöglichen es, Informationen aus verschiedenen Abstraktionsebenen zu extrahieren, was für die Erkennung und Klassifizierung von komplexen visuellen Mustern entscheidend ist.
Gibt es Aufgaben, die sich nur mit CNNs oder nur mit der analytischen Computer Vision realisieren lassen? Wenn ja, welche? Begründen Sie Ihre Antwort.
Ja
CNNs: Transfer Learning: CNNs sind in der Lage, Features aus vorab trainierten Modellen auf andere verwandte Aufgaben zu übertragen. Dieses Transfer-Learning ermöglicht es, mit begrenzten Datenmengen gute Ergebnisse zu erzielen und Aufgaben schneller zu lösen, die sonst eine große Menge an Trainingsdaten erfordern würden.
CV: Vermessungs- oder Skalierungs- oder Rotationserkennung von Objekten. Kann vielleicht auch mit speziellen CNNs umgesetzt werden, macht aber technisch gesehen kaum Sinn, da die Analytische CV das viel effektiver umsetzen.
Last changeda year ago